Utilização de redes neurais convolucionais para identificação automática de áreas de desmatamento na Amazônia

Abstract

O desmatamento é uma questão ambiental crítica globalmente que requer monitoramento constante e eficiente, especialmente em regiões como a Amazônia, onde ocorre em larga escala. Com o advento da tecnologia de sensoriamento remoto, a utilização de imagens de satélite tornou-se um método chave para o monitoramento ambiental. No entanto, a eficácia deste método depende fortemente da qualidade e disponibilidade das imagens de satélite, que muitas vezes são prejudicadas por fatores como baixa resolução, cobertura de nuvens e distorções atmosféricas. Atualmente, técnicas de fotointerpretação são empregadas por profissionais do INPE (Instituto Nacional de Pesquisa Espacial) para localização de áreas de desmatamento, entretanto, este processo não é realizado de forma automática. A inteligência artificial tem demonstrado eficácia em uma variedade de campos por meio de técnicas auxiliares, como exemplos: Robótica autônoma, detecção de fraudes, diagnóstico médico assistido por IA, etc. Neste contexto, o presente trabalho de conclusão de curso aborda essa área, com um enfoque particular em redes neurais convolucionais aplicando o modelo U-net para identificação de áreas de desmatamento nas imagens dos satélites Amazonia 1 de baixa resolução espacial e Sentinel-2 de alta resolução espacial. Este modelo foi inicialmente proposto para a análise semântica de imagens médicas, porém ele possui versatilidade e potencial para aplicações além do âmbito médico. O estudo emprega uma metodologia baseada em índices de precisão de segmentação de imagens, tais como Intersecção sobre União (IoU), Precisão, F-Score e Recall. Estas métricas são essenciais para analisar a precisão com que métodos de processamento de imagens conseguem distinguir áreas desflorestadas de outras formas de cobertura terrestre, dando uma base quantitativa para avaliar a eficácia de diferentes fontes de dados de sensoriamento remoto.